/ Hex Artifact Content
Login

Artifact 92391b4b4fb043564c6539ea9b8661e3bcba47b9:


0000: 2f 2a 0a 2a 2a 20 32 30 31 32 20 4d 61 79 20 32  /*.** 2012 May 2
0010: 34 0a 2a 2a 0a 2a 2a 20 54 68 65 20 61 75 74 68  4.**.** The auth
0020: 6f 72 20 64 69 73 63 6c 61 69 6d 73 20 63 6f 70  or disclaims cop
0030: 79 72 69 67 68 74 20 74 6f 20 74 68 69 73 20 73  yright to this s
0040: 6f 75 72 63 65 20 63 6f 64 65 2e 20 20 49 6e 20  ource code.  In 
0050: 70 6c 61 63 65 20 6f 66 0a 2a 2a 20 61 20 6c 65  place of.** a le
0060: 67 61 6c 20 6e 6f 74 69 63 65 2c 20 68 65 72 65  gal notice, here
0070: 20 69 73 20 61 20 62 6c 65 73 73 69 6e 67 3a 0a   is a blessing:.
0080: 2a 2a 0a 2a 2a 20 20 20 20 4d 61 79 20 79 6f 75  **.**    May you
0090: 20 64 6f 20 67 6f 6f 64 20 61 6e 64 20 6e 6f 74   do good and not
00a0: 20 65 76 69 6c 2e 0a 2a 2a 20 20 20 20 4d 61 79   evil..**    May
00b0: 20 79 6f 75 20 66 69 6e 64 20 66 6f 72 67 69 76   you find forgiv
00c0: 65 6e 65 73 73 20 66 6f 72 20 79 6f 75 72 73 65  eness for yourse
00d0: 6c 66 20 61 6e 64 20 66 6f 72 67 69 76 65 20 6f  lf and forgive o
00e0: 74 68 65 72 73 2e 0a 2a 2a 20 20 20 20 4d 61 79  thers..**    May
00f0: 20 79 6f 75 20 73 68 61 72 65 20 66 72 65 65 6c   you share freel
0100: 79 2c 20 6e 65 76 65 72 20 74 61 6b 69 6e 67 20  y, never taking 
0110: 6d 6f 72 65 20 74 68 61 6e 20 79 6f 75 20 67 69  more than you gi
0120: 76 65 2e 0a 2a 2a 0a 2a 2a 2a 2a 2a 2a 2a 2a 2a  ve..**.*********
0130: 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a  ****************
0140: 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a  ****************
0150: 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a  ****************
0160: 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a 2a  ****************
0170: 2a 2a 2a 2a 2a 0a 2a 2a 0a 2a 2a 20 49 6d 70 6c  *****.**.** Impl
0180: 65 6d 65 6e 74 61 74 69 6f 6e 20 6f 66 20 74 68  ementation of th
0190: 65 20 22 75 6e 69 63 6f 64 65 22 20 66 75 6c 6c  e "unicode" full
01a0: 2d 74 65 78 74 2d 73 65 61 72 63 68 20 74 6f 6b  -text-search tok
01b0: 65 6e 69 7a 65 72 2e 0a 2a 2f 0a 0a 23 69 66 64  enizer..*/..#ifd
01c0: 65 66 20 53 51 4c 49 54 45 5f 45 4e 41 42 4c 45  ef SQLITE_ENABLE
01d0: 5f 46 54 53 34 5f 55 4e 49 43 4f 44 45 36 31 0a  _FTS4_UNICODE61.
01e0: 0a 23 69 6e 63 6c 75 64 65 20 22 66 74 73 33 49  .#include "fts3I
01f0: 6e 74 2e 68 22 0a 23 69 66 20 21 64 65 66 69 6e  nt.h".#if !defin
0200: 65 64 28 53 51 4c 49 54 45 5f 43 4f 52 45 29 20  ed(SQLITE_CORE) 
0210: 7c 7c 20 64 65 66 69 6e 65 64 28 53 51 4c 49 54  || defined(SQLIT
0220: 45 5f 45 4e 41 42 4c 45 5f 46 54 53 33 29 0a 0a  E_ENABLE_FTS3)..
0230: 23 69 6e 63 6c 75 64 65 20 3c 61 73 73 65 72 74  #include <assert
0240: 2e 68 3e 0a 23 69 6e 63 6c 75 64 65 20 3c 73 74  .h>.#include <st
0250: 64 6c 69 62 2e 68 3e 0a 23 69 6e 63 6c 75 64 65  dlib.h>.#include
0260: 20 3c 73 74 64 69 6f 2e 68 3e 0a 23 69 6e 63 6c   <stdio.h>.#incl
0270: 75 64 65 20 3c 73 74 72 69 6e 67 2e 68 3e 0a 0a  ude <string.h>..
0280: 23 69 6e 63 6c 75 64 65 20 22 66 74 73 33 5f 74  #include "fts3_t
0290: 6f 6b 65 6e 69 7a 65 72 2e 68 22 0a 0a 2f 2a 0a  okenizer.h"../*.
02a0: 2a 2a 20 54 68 65 20 66 6f 6c 6c 6f 77 69 6e 67  ** The following
02b0: 20 74 77 6f 20 6d 61 63 72 6f 73 20 2d 20 52 45   two macros - RE
02c0: 41 44 5f 55 54 46 38 20 61 6e 64 20 57 52 49 54  AD_UTF8 and WRIT
02d0: 45 5f 55 54 46 38 20 2d 20 68 61 76 65 20 62 65  E_UTF8 - have be
02e0: 65 6e 20 63 6f 70 69 65 64 0a 2a 2a 20 66 72 6f  en copied.** fro
02f0: 6d 20 74 68 65 20 73 71 6c 69 74 65 33 20 73 6f  m the sqlite3 so
0300: 75 72 63 65 20 66 69 6c 65 20 75 74 66 2e 63 2e  urce file utf.c.
0310: 20 49 66 20 74 68 69 73 20 66 69 6c 65 20 69 73   If this file is
0320: 20 63 6f 6d 70 69 6c 65 64 20 61 73 20 70 61 72   compiled as par
0330: 74 0a 2a 2a 20 6f 66 20 74 68 65 20 61 6d 61 6c  t.** of the amal
0340: 67 61 6d 61 74 69 6f 6e 2c 20 74 68 65 79 20 61  gamation, they a
0350: 72 65 20 6e 6f 74 20 72 65 71 75 69 72 65 64 2e  re not required.
0360: 0a 2a 2f 0a 23 69 66 6e 64 65 66 20 53 51 4c 49  .*/.#ifndef SQLI
0370: 54 45 5f 41 4d 41 4c 47 41 4d 41 54 49 4f 4e 0a  TE_AMALGAMATION.
0380: 0a 73 74 61 74 69 63 20 63 6f 6e 73 74 20 75 6e  .static const un
0390: 73 69 67 6e 65 64 20 63 68 61 72 20 73 71 6c 69  signed char sqli
03a0: 74 65 33 55 74 66 38 54 72 61 6e 73 31 5b 5d 20  te3Utf8Trans1[] 
03b0: 3d 20 7b 0a 20 20 30 78 30 30 2c 20 30 78 30 31  = {.  0x00, 0x01
03c0: 2c 20 30 78 30 32 2c 20 30 78 30 33 2c 20 30 78  , 0x02, 0x03, 0x
03d0: 30 34 2c 20 30 78 30 35 2c 20 30 78 30 36 2c 20  04, 0x05, 0x06, 
03e0: 30 78 30 37 2c 0a 20 20 30 78 30 38 2c 20 30 78  0x07,.  0x08, 0x
03f0: 30 39 2c 20 30 78 30 61 2c 20 30 78 30 62 2c 20  09, 0x0a, 0x0b, 
0400: 30 78 30 63 2c 20 30 78 30 64 2c 20 30 78 30 65  0x0c, 0x0d, 0x0e
0410: 2c 20 30 78 30 66 2c 0a 20 20 30 78 31 30 2c 20  , 0x0f,.  0x10, 
0420: 30 78 31 31 2c 20 30 78 31 32 2c 20 30 78 31 33  0x11, 0x12, 0x13
0430: 2c 20 30 78 31 34 2c 20 30 78 31 35 2c 20 30 78  , 0x14, 0x15, 0x
0440: 31 36 2c 20 30 78 31 37 2c 0a 20 20 30 78 31 38  16, 0x17,.  0x18
0450: 2c 20 30 78 31 39 2c 20 30 78 31 61 2c 20 30 78  , 0x19, 0x1a, 0x
0460: 31 62 2c 20 30 78 31 63 2c 20 30 78 31 64 2c 20  1b, 0x1c, 0x1d, 
0470: 30 78 31 65 2c 20 30 78 31 66 2c 0a 20 20 30 78  0x1e, 0x1f,.  0x
0480: 30 30 2c 20 30 78 30 31 2c 20 30 78 30 32 2c 20  00, 0x01, 0x02, 
0490: 30 78 30 33 2c 20 30 78 30 34 2c 20 30 78 30 35  0x03, 0x04, 0x05
04a0: 2c 20 30 78 30 36 2c 20 30 78 30 37 2c 0a 20 20  , 0x06, 0x07,.  
04b0: 30 78 30 38 2c 20 30 78 30 39 2c 20 30 78 30 61  0x08, 0x09, 0x0a
04c0: 2c 20 30 78 30 62 2c 20 30 78 30 63 2c 20 30 78  , 0x0b, 0x0c, 0x
04d0: 30 64 2c 20 30 78 30 65 2c 20 30 78 30 66 2c 0a  0d, 0x0e, 0x0f,.
04e0: 20 20 30 78 30 30 2c 20 30 78 30 31 2c 20 30 78    0x00, 0x01, 0x
04f0: 30 32 2c 20 30 78 30 33 2c 20 30 78 30 34 2c 20  02, 0x03, 0x04, 
0500: 30 78 30 35 2c 20 30 78 30 36 2c 20 30 78 30 37  0x05, 0x06, 0x07
0510: 2c 0a 20 20 30 78 30 30 2c 20 30 78 30 31 2c 20  ,.  0x00, 0x01, 
0520: 30 78 30 32 2c 20 30 78 30 33 2c 20 30 78 30 30  0x02, 0x03, 0x00
0530: 2c 20 30 78 30 31 2c 20 30 78 30 30 2c 20 30 78  , 0x01, 0x00, 0x
0540: 30 30 2c 0a 7d 3b 0a 0a 23 64 65 66 69 6e 65 20  00,.};..#define 
0550: 52 45 41 44 5f 55 54 46 38 28 7a 49 6e 2c 20 7a  READ_UTF8(zIn, z
0560: 54 65 72 6d 2c 20 63 29 20 20 20 20 20 20 20 20  Term, c)        
0570: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0580: 20 20 20 5c 0a 20 20 63 20 3d 20 2a 28 7a 49 6e     \.  c = *(zIn
0590: 2b 2b 29 3b 20 20 20 20 20 20 20 20 20 20 20 20  ++);            
05a0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
05b0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
05c0: 5c 0a 20 20 69 66 28 20 63 3e 3d 30 78 63 30 20  \.  if( c>=0xc0 
05d0: 29 7b 20 20 20 20 20 20 20 20 20 20 20 20 20 20  ){              
05e0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
05f0: 20 20 20 20 20 20 20 20 20 20 20 20 20 5c 0a 20               \. 
0600: 20 20 20 63 20 3d 20 73 71 6c 69 74 65 33 55 74     c = sqlite3Ut
0610: 66 38 54 72 61 6e 73 31 5b 63 2d 30 78 63 30 5d  f8Trans1[c-0xc0]
0620: 3b 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20  ;               
0630: 20 20 20 20 20 20 20 20 20 20 5c 0a 20 20 20 20            \.    
0640: 77 68 69 6c 65 28 20 7a 49 6e 21 3d 7a 54 65 72  while( zIn!=zTer
0650: 6d 20 26 26 20 28 2a 7a 49 6e 20 26 20 30 78 63  m && (*zIn & 0xc
0660: 30 29 3d 3d 30 78 38 30 20 29 7b 20 20 20 20 20  0)==0x80 ){     
0670: 20 20 20 20 20 20 20 5c 0a 20 20 20 20 20 20 63         \.      c
0680: 20 3d 20 28 63 3c 3c 36 29 20 2b 20 28 30 78 33   = (c<<6) + (0x3
0690: 66 20 26 20 2a 28 7a 49 6e 2b 2b 29 29 3b 20 20  f & *(zIn++));  
06a0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
06b0: 20 20 20 20 5c 0a 20 20 20 20 7d 20 20 20 20 20      \.    }     
06c0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
06d0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
06e0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
06f0: 20 5c 0a 20 20 20 20 69 66 28 20 63 3c 30 78 38   \.    if( c<0x8
0700: 30 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20  0               
0710: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0720: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 5c 0a                \.
0730: 20 20 20 20 20 20 20 20 7c 7c 20 28 63 26 30 78          || (c&0x
0740: 46 46 46 46 46 38 30 30 29 3d 3d 30 78 44 38 30  FFFFF800)==0xD80
0750: 30 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20  0               
0760: 20 20 20 20 20 20 20 20 20 20 20 5c 0a 20 20 20             \.   
0770: 20 20 20 20 20 7c 7c 20 28 63 26 30 78 46 46 46       || (c&0xFFF
0780: 46 46 46 46 45 29 3d 3d 30 78 46 46 46 45 20 29  FFFFE)==0xFFFE )
0790: 7b 20 20 63 20 3d 20 30 78 46 46 46 44 3b 20 7d  {  c = 0xFFFD; }
07a0: 20 20 20 20 20 20 20 20 5c 0a 20 20 7d 0a 0a 23          \.  }..#
07b0: 64 65 66 69 6e 65 20 57 52 49 54 45 5f 55 54 46  define WRITE_UTF
07c0: 38 28 7a 4f 75 74 2c 20 63 29 20 7b 20 20 20 20  8(zOut, c) {    
07d0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
07e0: 20 20 20 20 20 20 5c 0a 20 20 69 66 28 20 63 3c        \.  if( c<
07f0: 30 78 30 30 30 38 30 20 29 7b 20 20 20 20 20 20  0x00080 ){      
0800: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0810: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 5c                 \
0820: 0a 20 20 20 20 2a 7a 4f 75 74 2b 2b 20 3d 20 28  .    *zOut++ = (
0830: 75 38 29 28 63 26 30 78 46 46 29 3b 20 20 20 20  u8)(c&0xFF);    
0840: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0850: 20 20 20 20 20 20 20 20 5c 0a 20 20 7d 20 20 20          \.  }   
0860: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0870: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0880: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0890: 20 5c 0a 20 20 65 6c 73 65 20 69 66 28 20 63 3c   \.  else if( c<
08a0: 30 78 30 30 38 30 30 20 29 7b 20 20 20 20 20 20  0x00800 ){      
08b0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
08c0: 20 20 20 20 20 20 20 20 20 20 5c 0a 20 20 20 20            \.    
08d0: 2a 7a 4f 75 74 2b 2b 20 3d 20 30 78 43 30 20 2b  *zOut++ = 0xC0 +
08e0: 20 28 75 38 29 28 28 63 3e 3e 36 29 26 30 78 31   (u8)((c>>6)&0x1
08f0: 46 29 3b 20 20 20 20 20 20 20 20 20 20 20 20 20  F);             
0900: 20 20 20 5c 0a 20 20 20 20 2a 7a 4f 75 74 2b 2b     \.    *zOut++
0910: 20 3d 20 30 78 38 30 20 2b 20 28 75 38 29 28 63   = 0x80 + (u8)(c
0920: 20 26 20 30 78 33 46 29 3b 20 20 20 20 20 20 20   & 0x3F);       
0930: 20 20 20 20 20 20 20 20 20 20 20 20 5c 0a 20 20              \.  
0940: 7d 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20  }               
0950: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0960: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0970: 20 20 20 20 20 5c 0a 20 20 65 6c 73 65 20 69 66       \.  else if
0980: 28 20 63 3c 30 78 31 30 30 30 30 20 29 7b 20 20  ( c<0x10000 ){  
0990: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
09a0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 5c 0a                \.
09b0: 20 20 20 20 2a 7a 4f 75 74 2b 2b 20 3d 20 30 78      *zOut++ = 0x
09c0: 45 30 20 2b 20 28 75 38 29 28 28 63 3e 3e 31 32  E0 + (u8)((c>>12
09d0: 29 26 30 78 30 46 29 3b 20 20 20 20 20 20 20 20  )&0x0F);        
09e0: 20 20 20 20 20 20 20 5c 0a 20 20 20 20 2a 7a 4f         \.    *zO
09f0: 75 74 2b 2b 20 3d 20 30 78 38 30 20 2b 20 28 75  ut++ = 0x80 + (u
0a00: 38 29 28 28 63 3e 3e 36 29 20 26 20 30 78 33 46  8)((c>>6) & 0x3F
0a10: 29 3b 20 20 20 20 20 20 20 20 20 20 20 20 20 20  );              
0a20: 5c 0a 20 20 20 20 2a 7a 4f 75 74 2b 2b 20 3d 20  \.    *zOut++ = 
0a30: 30 78 38 30 20 2b 20 28 75 38 29 28 63 20 26 20  0x80 + (u8)(c & 
0a40: 30 78 33 46 29 3b 20 20 20 20 20 20 20 20 20 20  0x3F);          
0a50: 20 20 20 20 20 20 20 20 20 5c 0a 20 20 7d 65 6c           \.  }el
0a60: 73 65 7b 20 20 20 20 20 20 20 20 20 20 20 20 20  se{             
0a70: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0a80: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0a90: 20 20 5c 0a 20 20 20 20 2a 7a 4f 75 74 2b 2b 20    \.    *zOut++ 
0aa0: 3d 20 30 78 46 30 20 2b 20 28 75 38 29 28 28 63  = 0xF0 + (u8)((c
0ab0: 3e 3e 31 38 29 20 26 20 30 78 30 37 29 3b 20 20  >>18) & 0x07);  
0ac0: 20 20 20 20 20 20 20 20 20 20 20 5c 0a 20 20 20             \.   
0ad0: 20 2a 7a 4f 75 74 2b 2b 20 3d 20 30 78 38 30 20   *zOut++ = 0x80 
0ae0: 2b 20 28 75 38 29 28 28 63 3e 3e 31 32 29 20 26  + (u8)((c>>12) &
0af0: 20 30 78 33 46 29 3b 20 20 20 20 20 20 20 20 20   0x3F);         
0b00: 20 20 20 20 5c 0a 20 20 20 20 2a 7a 4f 75 74 2b      \.    *zOut+
0b10: 2b 20 3d 20 30 78 38 30 20 2b 20 28 75 38 29 28  + = 0x80 + (u8)(
0b20: 28 63 3e 3e 36 29 20 26 20 30 78 33 46 29 3b 20  (c>>6) & 0x3F); 
0b30: 20 20 20 20 20 20 20 20 20 20 20 20 20 5c 0a 20               \. 
0b40: 20 20 20 2a 7a 4f 75 74 2b 2b 20 3d 20 30 78 38     *zOut++ = 0x8
0b50: 30 20 2b 20 28 75 38 29 28 63 20 26 20 30 78 33  0 + (u8)(c & 0x3
0b60: 46 29 3b 20 20 20 20 20 20 20 20 20 20 20 20 20  F);             
0b70: 20 20 20 20 20 20 5c 0a 20 20 7d 20 20 20 20 20        \.  }     
0b80: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0b90: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0ba0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 5c                 \
0bb0: 0a 7d 0a 0a 23 65 6e 64 69 66 20 2f 2a 20 69 66  .}..#endif /* if
0bc0: 6e 64 65 66 20 53 51 4c 49 54 45 5f 41 4d 41 4c  ndef SQLITE_AMAL
0bd0: 47 41 4d 41 54 49 4f 4e 20 2a 2f 0a 0a 74 79 70  GAMATION */..typ
0be0: 65 64 65 66 20 73 74 72 75 63 74 20 75 6e 69 63  edef struct unic
0bf0: 6f 64 65 5f 74 6f 6b 65 6e 69 7a 65 72 20 75 6e  ode_tokenizer un
0c00: 69 63 6f 64 65 5f 74 6f 6b 65 6e 69 7a 65 72 3b  icode_tokenizer;
0c10: 0a 74 79 70 65 64 65 66 20 73 74 72 75 63 74 20  .typedef struct 
0c20: 75 6e 69 63 6f 64 65 5f 63 75 72 73 6f 72 20 75  unicode_cursor u
0c30: 6e 69 63 6f 64 65 5f 63 75 72 73 6f 72 3b 0a 0a  nicode_cursor;..
0c40: 73 74 72 75 63 74 20 75 6e 69 63 6f 64 65 5f 74  struct unicode_t
0c50: 6f 6b 65 6e 69 7a 65 72 20 7b 0a 20 20 73 71 6c  okenizer {.  sql
0c60: 69 74 65 33 5f 74 6f 6b 65 6e 69 7a 65 72 20 62  ite3_tokenizer b
0c70: 61 73 65 3b 0a 20 20 69 6e 74 20 62 52 65 6d 6f  ase;.  int bRemo
0c80: 76 65 44 69 61 63 72 69 74 69 63 3b 0a 20 20 69  veDiacritic;.  i
0c90: 6e 74 20 6e 45 78 63 65 70 74 69 6f 6e 3b 0a 20  nt nException;. 
0ca0: 20 69 6e 74 20 2a 61 69 45 78 63 65 70 74 69 6f   int *aiExceptio
0cb0: 6e 3b 0a 7d 3b 0a 0a 73 74 72 75 63 74 20 75 6e  n;.};..struct un
0cc0: 69 63 6f 64 65 5f 63 75 72 73 6f 72 20 7b 0a 20  icode_cursor {. 
0cd0: 20 73 71 6c 69 74 65 33 5f 74 6f 6b 65 6e 69 7a   sqlite3_tokeniz
0ce0: 65 72 5f 63 75 72 73 6f 72 20 62 61 73 65 3b 0a  er_cursor base;.
0cf0: 20 20 63 6f 6e 73 74 20 75 6e 73 69 67 6e 65 64    const unsigned
0d00: 20 63 68 61 72 20 2a 61 49 6e 70 75 74 3b 20 20   char *aInput;  
0d10: 20 20 2f 2a 20 49 6e 70 75 74 20 74 65 78 74 20    /* Input text 
0d20: 62 65 69 6e 67 20 74 6f 6b 65 6e 69 7a 65 64 20  being tokenized 
0d30: 2a 2f 0a 20 20 69 6e 74 20 6e 49 6e 70 75 74 3b  */.  int nInput;
0d40: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0d50: 20 20 20 20 20 2f 2a 20 53 69 7a 65 20 6f 66 20       /* Size of 
0d60: 61 49 6e 70 75 74 5b 5d 20 69 6e 20 62 79 74 65  aInput[] in byte
0d70: 73 20 2a 2f 0a 20 20 69 6e 74 20 69 4f 66 66 3b  s */.  int iOff;
0d80: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
0d90: 20 20 20 20 20 20 20 2f 2a 20 43 75 72 72 65 6e         /* Curren
0da0: 74 20 6f 66 66 73 65 74 20 77 69 74 68 69 6e 20  t offset within 
0db0: 61 49 6e 70 75 74 5b 5d 20 2a 2f 0a 20 20 69 6e  aInput[] */.  in
0dc0: 74 20 69 54 6f 6b 65 6e 3b 20 20 20 20 20 20 20  t iToken;       
0dd0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 2f 2a                /*
0de0: 20 49 6e 64 65 78 20 6f 66 20 6e 65 78 74 20 74   Index of next t
0df0: 6f 6b 65 6e 20 74 6f 20 62 65 20 72 65 74 75 72  oken to be retur
0e00: 6e 65 64 20 2a 2f 0a 20 20 63 68 61 72 20 2a 7a  ned */.  char *z
0e10: 54 6f 6b 65 6e 3b 20 20 20 20 20 20 20 20 20 20  Token;          
0e20: 20 20 20 20 20 20 20 20 20 2f 2a 20 73 74 6f 72           /* stor
0e30: 61 67 65 20 66 6f 72 20 63 75 72 72 65 6e 74 20  age for current 
0e40: 74 6f 6b 65 6e 20 2a 2f 0a 20 20 69 6e 74 20 6e  token */.  int n
0e50: 41 6c 6c 6f 63 3b 20 20 20 20 20 20 20 20 20 20  Alloc;          
0e60: 20 20 20 20 20 20 20 20 20 20 20 2f 2a 20 73 70             /* sp
0e70: 61 63 65 20 61 6c 6c 6f 63 61 74 65 64 20 61 74  ace allocated at
0e80: 20 7a 54 6f 6b 65 6e 20 2a 2f 0a 7d 3b 0a 0a 0a   zToken */.};...
0e90: 2f 2a 0a 2a 2a 20 44 65 73 74 72 6f 79 20 61 20  /*.** Destroy a 
0ea0: 74 6f 6b 65 6e 69 7a 65 72 20 61 6c 6c 6f 63 61  tokenizer alloca
0eb0: 74 65 64 20 62 79 20 75 6e 69 63 6f 64 65 43 72  ted by unicodeCr
0ec0: 65 61 74 65 28 29 2e 0a 2a 2f 0a 73 74 61 74 69  eate()..*/.stati
0ed0: 63 20 69 6e 74 20 75 6e 69 63 6f 64 65 44 65 73  c int unicodeDes
0ee0: 74 72 6f 79 28 73 71 6c 69 74 65 33 5f 74 6f 6b  troy(sqlite3_tok
0ef0: 65 6e 69 7a 65 72 20 2a 70 54 6f 6b 65 6e 69 7a  enizer *pTokeniz
0f00: 65 72 29 7b 0a 20 20 69 66 28 20 70 54 6f 6b 65  er){.  if( pToke
0f10: 6e 69 7a 65 72 20 29 7b 0a 20 20 20 20 75 6e 69  nizer ){.    uni
0f20: 63 6f 64 65 5f 74 6f 6b 65 6e 69 7a 65 72 20 2a  code_tokenizer *
0f30: 70 20 3d 20 28 75 6e 69 63 6f 64 65 5f 74 6f 6b  p = (unicode_tok
0f40: 65 6e 69 7a 65 72 20 2a 29 70 54 6f 6b 65 6e 69  enizer *)pTokeni
0f50: 7a 65 72 3b 0a 20 20 20 20 73 71 6c 69 74 65 33  zer;.    sqlite3
0f60: 5f 66 72 65 65 28 70 2d 3e 61 69 45 78 63 65 70  _free(p->aiExcep
0f70: 74 69 6f 6e 29 3b 0a 20 20 20 20 73 71 6c 69 74  tion);.    sqlit
0f80: 65 33 5f 66 72 65 65 28 70 29 3b 0a 20 20 7d 0a  e3_free(p);.  }.
0f90: 20 20 72 65 74 75 72 6e 20 53 51 4c 49 54 45 5f    return SQLITE_
0fa0: 4f 4b 3b 0a 7d 0a 0a 2f 2a 0a 2a 2a 20 41 73 20  OK;.}../*.** As 
0fb0: 70 61 72 74 20 6f 66 20 61 20 74 6f 6b 65 6e 63  part of a tokenc
0fc0: 68 61 72 73 3d 20 6f 72 20 73 65 70 61 72 61 74  hars= or separat
0fd0: 6f 72 73 3d 20 6f 70 74 69 6f 6e 2c 20 74 68 65  ors= option, the
0fe0: 20 43 52 45 41 54 45 20 56 49 52 54 55 41 4c 20   CREATE VIRTUAL 
0ff0: 54 41 42 4c 45 0a 2a 2a 20 73 74 61 74 65 6d 65  TABLE.** stateme
1000: 6e 74 20 68 61 73 20 73 70 65 63 69 66 69 65 64  nt has specified
1010: 20 74 68 61 74 20 74 68 65 20 74 6f 6b 65 6e 69   that the tokeni
1020: 7a 65 72 20 66 6f 72 20 74 68 69 73 20 74 61 62  zer for this tab
1030: 6c 65 20 73 68 61 6c 6c 20 63 6f 6e 73 69 64 65  le shall conside
1040: 72 0a 2a 2a 20 61 6c 6c 20 63 68 61 72 61 63 74  r.** all charact
1050: 65 72 73 20 69 6e 20 73 74 72 69 6e 67 20 7a 49  ers in string zI
1060: 6e 2f 6e 49 6e 20 74 6f 20 62 65 20 73 65 70 61  n/nIn to be sepa
1070: 72 61 74 6f 72 73 20 28 69 66 20 62 41 6c 6e 75  rators (if bAlnu
1080: 6d 3d 3d 30 29 20 6f 72 0a 2a 2a 20 74 6f 6b 65  m==0) or.** toke
1090: 6e 20 63 68 61 72 61 63 74 65 72 73 20 28 69 66  n characters (if
10a0: 20 62 41 6c 6e 75 6d 3d 3d 31 29 2e 0a 2a 2a 0a   bAlnum==1)..**.
10b0: 2a 2a 20 46 6f 72 20 65 61 63 68 20 63 6f 64 65  ** For each code
10c0: 70 6f 69 6e 74 20 69 6e 20 74 68 65 20 7a 49 6e  point in the zIn
10d0: 2f 6e 49 6e 20 73 74 72 69 6e 67 2c 20 74 68 69  /nIn string, thi
10e0: 73 20 66 75 6e 63 74 69 6f 6e 20 63 68 65 63 6b  s function check
10f0: 73 20 69 66 20 74 68 65 0a 2a 2a 20 73 71 6c 69  s if the.** sqli
1100: 74 65 33 46 74 73 55 6e 69 63 6f 64 65 49 73 61  te3FtsUnicodeIsa
1110: 6c 6e 75 6d 28 29 20 66 75 6e 63 74 69 6f 6e 20  lnum() function 
1120: 61 6c 72 65 61 64 79 20 72 65 74 75 72 6e 73 20  already returns 
1130: 74 68 65 20 64 65 73 69 72 65 64 20 72 65 73 75  the desired resu
1140: 6c 74 2e 0a 2a 2a 20 49 66 20 73 6f 2c 20 6e 6f  lt..** If so, no
1150: 20 61 63 74 69 6f 6e 20 69 73 20 74 61 6b 65 6e   action is taken
1160: 2e 20 4f 74 68 65 72 77 69 73 65 2c 20 74 68 65  . Otherwise, the
1170: 20 63 6f 64 65 70 6f 69 6e 74 20 69 73 20 61 64   codepoint is ad
1180: 64 65 64 20 74 6f 20 74 68 65 20 0a 2a 2a 20 75  ded to the .** u
1190: 6e 69 63 6f 64 65 5f 74 6f 6b 65 6e 69 7a 65 72  nicode_tokenizer
11a0: 2e 61 69 45 78 63 65 70 74 69 6f 6e 5b 5d 20 61  .aiException[] a
11b0: 72 72 61 79 2e 20 46 6f 72 20 74 68 65 20 70 75  rray. For the pu
11c0: 72 70 6f 73 65 73 20 6f 66 20 74 6f 6b 65 6e 69  rposes of tokeni
11d0: 7a 61 74 69 6f 6e 2c 0a 2a 2a 20 74 68 65 20 72  zation,.** the r
11e0: 65 74 75 72 6e 20 76 61 6c 75 65 20 6f 66 20 73  eturn value of s
11f0: 71 6c 69 74 65 33 46 74 73 55 6e 69 63 6f 64 65  qlite3FtsUnicode
1200: 49 73 61 6c 6e 75 6d 28 29 20 69 73 20 69 6e 76  Isalnum() is inv
1210: 65 72 74 65 64 20 66 6f 72 20 61 6c 6c 0a 2a 2a  erted for all.**
1220: 20 63 6f 64 65 70 6f 69 6e 74 73 20 69 6e 20 74   codepoints in t
1230: 68 65 20 61 69 45 78 63 65 70 74 69 6f 6e 5b 5d  he aiException[]
1240: 20 61 72 72 61 79 2e 0a 2a 2a 0a 2a 2a 20 49 66   array..**.** If
1250: 20 61 20 73 74 61 6e 64 61 6c 6f 6e 65 20 64 69   a standalone di
1260: 61 63 72 69 74 69 63 20 6d 61 72 6b 20 28 6f 6e  acritic mark (on
1270: 65 20 74 68 61 74 20 73 71 6c 69 74 65 33 46 74  e that sqlite3Ft
1280: 73 55 6e 69 63 6f 64 65 49 73 64 69 61 63 72 69  sUnicodeIsdiacri
1290: 74 69 63 28 29 0a 2a 2a 20 69 64 65 6e 74 69 66  tic().** identif
12a0: 69 65 73 20 61 73 20 61 20 64 69 61 63 72 69 74  ies as a diacrit
12b0: 69 63 29 20 6f 63 63 75 72 73 20 69 6e 20 74 68  ic) occurs in th
12c0: 65 20 7a 49 6e 2f 6e 49 6e 20 73 74 72 69 6e 67  e zIn/nIn string
12d0: 20 69 74 20 69 73 20 69 67 6e 6f 72 65 64 2e 0a   it is ignored..
12e0: 2a 2a 20 49 74 20 69 73 20 6e 6f 74 20 70 6f 73  ** It is not pos
12f0: 73 69 62 6c 65 20 74 6f 20 63 68 61 6e 67 65 20  sible to change 
1300: 74 68 65 20 62 65 68 61 76 69 6f 72 20 6f 66 20  the behavior of 
1310: 74 68 65 20 74 6f 6b 65 6e 69 7a 65 72 20 77 69  the tokenizer wi
1320: 74 68 20 72 65 73 70 65 63 74 0a 2a 2a 20 74 6f  th respect.** to
1330: 20 74 68 65 73 65 20 63 6f 64 65 70 6f 69 6e 74   these codepoint
1340: 73 2e 0a 2a 2f 0a 73 74 61 74 69 63 20 69 6e 74  s..*/.static int
1350: 20 75 6e 69 63 6f 64 65 41 64 64 45 78 63 65 70   unicodeAddExcep
1360: 74 69 6f 6e 73 28 0a 20 20 75 6e 69 63 6f 64 65  tions(.  unicode
1370: 5f 74 6f 6b 65 6e 69 7a 65 72 20 2a 70 2c 20 20  _tokenizer *p,  
1380: 20 20 20 20 20 20 20 20 20 2f 2a 20 54 6f 6b 65           /* Toke
1390: 6e 69 7a 65 72 20 74 6f 20 61 64 64 20 65 78 63  nizer to add exc
13a0: 65 70 74 69 6f 6e 73 20 74 6f 20 2a 2f 0a 20 20  eptions to */.  
13b0: 69 6e 74 20 62 41 6c 6e 75 6d 2c 20 20 20 20 20  int bAlnum,     
13c0: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
13d0: 2f 2a 20 52 65 70 6c 61 63 65 20 49 73 61 6c 6e  /* Replace Isaln
13e0: 75 6d 28 29 20 72 65 74 75 72 6e 20 76 61 6c 75  um() return valu
13f0: 65 20 77 69 74 68 20 74 68 69 73 20 2a 2f 0a 20  e with this */. 
1400: 20 63 6f 6e 73 74 20 63 68 61 72 20 2a 7a 49 6e   const char *zIn
1410: 2c 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20  ,               
1420: 20 2f 2a 20 41 72 72 61 79 20 6f 66 20 63 68 61   /* Array of cha
1430: 72 61 63 74 65 72 73 20 74 6f 20 6d 61 6b 65 20  racters to make 
1440: 65 78 63 65 70 74 69 6f 6e 73 20 2a 2f 0a 20 20  exceptions */.  
1450: 69 6e 74 20 6e 49 6e 20 20 20 20 20 20 20 20 20  int nIn         
1460: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
1470: 2f 2a 20 4c 65 6e 67 74 68 20 6f 66 20 7a 20 69  /* Length of z i
1480: 6e 20 62 79 74 65 73 20 2a 2f 0a 29 7b 0a 20 20  n bytes */.){.  
1490: 63 6f 6e 73 74 20 75 6e 73 69 67 6e 65 64 20 63  const unsigned c
14a0: 68 61 72 20 2a 7a 20 3d 20 28 63 6f 6e 73 74 20  har *z = (const 
14b0: 75 6e 73 69 67 6e 65 64 20 63 68 61 72 20 2a 29  unsigned char *)
14c0: 7a 49 6e 3b 0a 20 20 63 6f 6e 73 74 20 75 6e 73  zIn;.  const uns
14d0: 69 67 6e 65 64 20 63 68 61 72 20 2a 7a 54 65 72  igned char *zTer
14e0: 6d 20 3d 20 26 7a 5b 6e 49 6e 5d 3b 0a 20 20 69  m = &z[nIn];.  i
14f0: 6e 74 20 69 43 6f 64 65 3b 0a 20 20 69 6e 74 20  nt iCode;.  int 
1500: 6e 45 6e 74 72 79 20 3d 20 30 3b 0a 0a 20 20 61  nEntry = 0;..  a
1510: 73 73 65 72 74 28 20 62 41 6c 6e 75 6d 3d 3d 30  ssert( bAlnum==0
1520: 20 7c 7c 20 62 41 6c 6e 75 6d 3d 3d 31 20 29 3b   || bAlnum==1 );
1530: 0a 0a 20 20 77 68 69 6c 65 28 20 7a 3c 7a 54 65  ..  while( z<zTe
1540: 72 6d 20 29 7b 0a 20 20 20 20 52 45 41 44 5f 55  rm ){.    READ_U
1550: 54 46 38 28 7a 2c 20 7a 54 65 72 6d 2c 20 69 43  TF8(z, zTerm, iC
1560: 6f 64 65 29 3b 0a 20 20 20 20 61 73 73 65 72 74  ode);.    assert
1570: 28 20 28 73 71 6c 69 74 65 33 46 74 73 55 6e 69  ( (sqlite3FtsUni
1580: 63 6f 64 65 49 73 61 6c 6e 75 6d 28 69 43 6f 64  codeIsalnum(iCod
1590: 65 29 20 26 20 30 78 46 46 46 46 46 46 46 45 29  e) & 0xFFFFFFFE)
15a0: 3d 3d 30 20 29 3b 0a 20 20 20 20 69 66 28 20 73  ==0 );.    if( s
15b0: 71 6c 69 74 65 33 46 74 73 55 6e 69 63 6f 64 65  qlite3FtsUnicode
15c0: 49 73 61 6c 6e 75 6d 28 69 43 6f 64 65 29 21 3d  Isalnum(iCode)!=
15d0: 62 41 6c 6e 75 6d 20 0a 20 20 20 20 20 26 26 20  bAlnum .     && 
15e0: 73 71 6c 69 74 65 33 46 74 73 55 6e 69 63 6f 64  sqlite3FtsUnicod
15f0: 65 49 73 64 69 61 63 72 69 74 69 63 28 69 43 6f  eIsdiacritic(iCo
1600: 64 65 29 3d 3d 30 20 0a 20 20 20 20 29 7b 0a 20  de)==0 .    ){. 
1610: 20 20 20 20 20 6e 45 6e 74 72 79 2b 2b 3b 0a 20       nEntry++;. 
1620: 20 20 20 7d 0a 20 20 7d 0a 0a 20 20 69 66 28 20     }.  }..  if( 
1630: 6e 45 6e 74 72 79 20 29 7b 0a 20 20 20 20 69 6e  nEntry ){.    in
1640: 74 20 2a 61 4e 65 77 3b 20 20 20 20 20 20 20 20  t *aNew;        
1650: 20 20 20 20 20 20 20 20 20 20 20 20 2f 2a 20 4e              /* N
1660: 65 77 20 61 69 45 78 63 65 70 74 69 6f 6e 5b 5d  ew aiException[]
1670: 20 61 72 72 61 79 20 2a 2f 0a 20 20 20 20 69 6e   array */.    in
1680: 74 20 6e 4e 65 77 3b 20 20 20 20 20 20 20 20 20  t nNew;         
1690: 20 20 20 20 20 20 20 20 20 20 20 20 2f 2a 20 4e              /* N
16a0: 75 6d 62 65 72 20 6f 66 20 76 61 6c 69 64 20 65  umber of valid e
16b0: 6e 74 72 69 65 73 20 69 6e 20 61 72 72 61 79 20  ntries in array 
16c0: 61 4e 65 77 5b 5d 20 2a 2f 0a 0a 20 20 20 20 61  aNew[] */..    a
16d0: 4e 65 77 20 3d 20 73 71 6c 69 74 65 33 5f 72 65  New = sqlite3_re
16e0: 61 6c 6c 6f 63 28 70 2d 3e 61 69 45 78 63 65 70  alloc(p->aiExcep
16f0: 74 69 6f 6e 2c 20 28 70 2d 3e 6e 45 78 63 65 70  tion, (p->nExcep
1700: 74 69 6f 6e 2b 6e 45 6e 74 72 79 29 2a 73 69 7a  tion+nEntry)*siz
1710: 65 6f 66 28 69 6e 74 29 29 3b 0a 20 20 20 20 69  eof(int));.    i
1720: 66 28 20 61 4e 65 77 3d 3d 30 20 29 20 72 65 74  f( aNew==0 ) ret
1730: 75 72 6e 20 53 51 4c 49 54 45 5f 4e 4f 4d 45 4d  urn SQLITE_NOMEM
1740: 3b 0a 20 20 20 20 6e 4e 65 77 20 3d 20 70 2d 3e  ;.    nNew = p->
1750: 6e 45 78 63 65 70 74 69 6f 6e 3b 0a 0a 20 20 20  nException;..   
1760: 20 7a 20 3d 20 28 63 6f 6e 73 74 20 75 6e 73 69   z = (const unsi
1770: 67 6e 65 64 20 63 68 61 72 20 2a 29 7a 49 6e 3b  gned char *)zIn;
1780: 0a 20 20 20 20 77 68 69 6c 65 28 20 7a 3c 7a 54  .    while( z<zT
1790: 65 72 6d 20 29 7b 0a 20 20 20 20 20 20 52 45 41  erm ){.      REA
17a0: 44 5f 55 54 46 38 28 7a 2c 20 7a 54 65 72 6d 2c  D_UTF8(z, zTerm,
17b0: 20 69 43 6f 64 65 29 3b 0a 20 20 20 20 20 20 69   iCode);.      i
17c0: 66 28 20 73 71 6c 69 74 65 33 46 74 73 55 6e 69  f( sqlite3FtsUni
17d0: 63 6f 64 65 49 73 61 6c 6e 75 6d 28 69 43 6f 64  codeIsalnum(iCod
17e0: 65 29 21 3d 62 41 6c 6e 75 6d 20 0a 20 20 20 20  e)!=bAlnum .    
17f0: 20 20 20 26 26 20 73 71 6c 69 74 65 33 46 74 73     && sqlite3Fts
1800: 55 6e 69 63 6f 64 65 49 73 64 69 61 63 72 69 74  UnicodeIsdiacrit
1810: 69 63 28 69 43 6f 64 65 29 3d 3d 30 0a 20 20 20  ic(iCode)==0.   
1820: 20 20 20 29 7b 0a 20 20 20 20 20 20 20 20 69 6e     ){.        in
1830: 74 20 69 2c 20 6a 3b 0a 20 20 20 20 20 20 20 20  t i, j;.        
1840: 66 6f 72 28 69 3d 30 3b 20 69 3c 6e 4e 65 77 20  for(i=0; i<nNew 
1850: 26 26 20 61 4e 65 77 5b 69 5d 3c 69 43 6f 64 65  && aNew[i]<iCode
1860: 3b 20 69 2b 2b 29 3b 0a 20 20 20 20 20 20 20 20  ; i++);.        
1870: 66 6f 72 28 6a 3d 6e 4e 65 77 3b 20 6a 3e 69 3b  for(j=nNew; j>i;
1880: 20 6a 2d 2d 29 20 61 4e 65 77 5b 6a 5d 20 3d 20   j--) aNew[j] = 
1890: 61 4e 65 77 5b 6a 2d 31 5d 3b 0a 20 20 20 20 20  aNew[j-1];.     
18a0: 20 20 20 61 4e 65 77 5b 69 5d 20 3d 20 69 43 6f     aNew[i] = iCo
18b0: 64 65 3b 0a 20 20 20 20 20 20 20 20 6e 4e 65 77  de;.        nNew
18c0: 2b 2b 3b 0a 20 20 20 20 20 20 7d 0a 20 20 20 20  ++;.      }.    
18d0: 7d 0a 20 20 20 20 70 2d 3e 61 69 45 78 63 65 70  }.    p->aiExcep
18e0: 74 69 6f 6e 20 3d 20 61 4e 65 77 3b 0a 20 20 20  tion = aNew;.   
18f0: 20 70 2d 3e 6e 45 78 63 65 70 74 69 6f 6e 20 3d   p->nException =
1900: 20 6e 4e 65 77 3b 0a 20 20 7d 0a 0a 20 20 72 65   nNew;.  }..  re
1910: 74 75 72 6e 20 53 51 4c 49 54 45 5f 4f 4b 3b 0a  turn SQLITE_OK;.
1920: 7d 0a 0a 2f 2a 0a 2a 2a 20 52 65 74 75 72 6e 20  }../*.** Return 
1930: 74 72 75 65 20 69 66 20 74 68 65 20 70 2d 3e 61  true if the p->a
1940: 69 45 78 63 65 70 74 69 6f 6e 5b 5d 20 61 72 72  iException[] arr
1950: 61 79 20 63 6f 6e 74 61 69 6e 73 20 74 68 65 20  ay contains the 
1960: 76 61 6c 75 65 20 69 43 6f 64 65 2e 0a 2a 2f 0a  value iCode..*/.
1970: 73 74 61 74 69 63 20 69 6e 74 20 75 6e 69 63 6f  static int unico
1980: 64 65 49 73 45 78 63 65 70 74 69 6f 6e 28 75 6e  deIsException(un
1990: 69 63 6f 64 65 5f 74 6f 6b 65 6e 69 7a 65 72 20  icode_tokenizer 
19a0: 2a 70 2c 20 69 6e 74 20 69 43 6f 64 65 29 7b 0a  *p, int iCode){.
19b0: 20 20 69 66 28 20 70 2d 3e 6e 45 78 63 65 70 74    if( p->nExcept
19c0: 69 6f 6e 3e 30 20 29 7b 0a 20 20 20 20 69 6e 74  ion>0 ){.    int
19d0: 20 2a 61 20 3d 20 70 2d 3e 61 69 45 78 63 65 70   *a = p->aiExcep
19e0: 74 69 6f 6e 3b 0a 20 20 20 20 69 6e 74 20 69 4c  tion;.    int iL
19f0: 6f 20 3d 20 30 3b 0a 20 20 20 20 69 6e 74 20 69  o = 0;.    int i
1a00: 48 69 20 3d 20 70 2d 3e 6e 45 78 63 65 70 74 69  Hi = p->nExcepti
1a10: 6f 6e 2d 31 3b 0a 0a 20 20 20 20 77 68 69 6c 65  on-1;..    while
1a20: 28 20 69 48 69 3e 3d 69 4c 6f 20 29 7b 0a 20 20  ( iHi>=iLo ){.  
1a30: 20 20 20 20 69 6e 74 20 69 54 65 73 74 20 3d 20      int iTest = 
1a40: 28 69 48 69 20 2b 20 69 4c 6f 29 20 2f 20 32 3b  (iHi + iLo) / 2;
1a50: 0a 20 20 20 20 20 20 69 66 28 20 69 43 6f 64 65  .      if( iCode
1a60: 3d 3d 61 5b 69 54 65 73 74 5d 20 29 7b 0a 20 20  ==a[iTest] ){.  
1a70: 20 20 20 20 20 20 72 65 74 75 72 6e 20 31 3b 0a        return 1;.
1a80: 20 20 20 20 20 20 7d 65 6c 73 65 20 69 66 28 20        }else if( 
1a90: 69 43 6f 64 65 3e 61 5b 69 54 65 73 74 5d 20 29  iCode>a[iTest] )
1aa0: 7b 0a 20 20 20 20 20 20 20 20 69 4c 6f 20 3d 20  {.        iLo = 
1ab0: 69 54 65 73 74 2b 31 3b 0a 20 20 20 20 20 20 7d  iTest+1;.      }
1ac0: 65 6c 73 65 7b 0a 20 20 20 20 20 20 20 20 69 48  else{.        iH
1ad0: 69 20 3d 20 69 54 65 73 74 2d 31 3b 0a 20 20 20  i = iTest-1;.   
1ae0: 20 20 20 7d 0a 20 20 20 20 7d 0a 20 20 7d 0a 0a     }.    }.  }..
1af0: 20 20 72 65 74 75 72 6e 20 30 3b 0a 7d 0a 0a 2f    return 0;.}../
1b00: 2a 0a 2a 2a 20 52 65 74 75 72 6e 20 74 72 75 65  *.** Return true
1b10: 20 69 66 2c 20 66 6f 72 20 74 68 65 20 70 75 72   if, for the pur
1b20: 70 6f 73 65 73 20 6f 66 20 74 6f 6b 65 6e 69 7a  poses of tokeniz
1b30: 61 74 69 6f 6e 2c 20 63 6f 64 65 70 6f 69 6e 74  ation, codepoint
1b40: 20 69 43 6f 64 65 20 69 73 0a 2a 2a 20 63 6f 6e   iCode is.** con
1b50: 73 69 64 65 72 65 64 20 61 20 74 6f 6b 65 6e 20  sidered a token 
1b60: 63 68 61 72 61 63 74 65 72 20 28 6e 6f 74 20 61  character (not a
1b70: 20 73 65 70 61 72 61 74 6f 72 29 2e 0a 2a 2f 0a   separator)..*/.
1b80: 73 74 61 74 69 63 20 69 6e 74 20 75 6e 69 63 6f  static int unico
1b90: 64 65 49 73 41 6c 6e 75 6d 28 75 6e 69 63 6f 64  deIsAlnum(unicod
1ba0: 65 5f 74 6f 6b 65 6e 69 7a 65 72 20 2a 70 2c 20  e_tokenizer *p, 
1bb0: 69 6e 74 20 69 43 6f 64 65 29 7b 0a 20 20 61 73  int iCode){.  as
1bc0: 73 65 72 74 28 20 28 73 71 6c 69 74 65 33 46 74  sert( (sqlite3Ft
1bd0: 73 55 6e 69 63 6f 64 65 49 73 61 6c 6e 75 6d 28  sUnicodeIsalnum(
1be0: 69 43 6f 64 65 29 20 26 20 30 78 46 46 46 46 46  iCode) & 0xFFFFF
1bf0: 46 46 45 29 3d 3d 30 20 29 3b 0a 20 20 72 65 74  FFE)==0 );.  ret
1c00: 75 72 6e 20 73 71 6c 69 74 65 33 46 74 73 55 6e  urn sqlite3FtsUn
1c10: 69 63 6f 64 65 49 73 61 6c 6e 75 6d 28 69 43 6f  icodeIsalnum(iCo
1c20: 64 65 29 20 5e 20 75 6e 69 63 6f 64 65 49 73 45  de) ^ unicodeIsE
1c30: 78 63 65 70 74 69 6f 6e 28 70 2c 20 69 43 6f 64  xception(p, iCod
1c40: 65 29 3b 0a 7d 0a 0a 2f 2a 0a 2a 2a 20 43 72 65  e);.}../*.** Cre
1c50: 61 74 65 20 61 20 6e 65 77 20 74 6f 6b 65 6e 69  ate a new tokeni
1c60: 7a 65 72 20 69 6e 73 74 61 6e 63 65 2e 0a 2a 2f  zer instance..*/
1c70: 0a 73 74 61 74 69 63 20 69 6e 74 20 75 6e 69 63  .static int unic
1c80: 6f 64 65 43 72 65 61 74 65 28 0a 20 20 69 6e 74  odeCreate(.  int
1c90: 20 6e 41 72 67 2c 20 20 20 20 20 20 20 20 20 20   nArg,          
1ca0: 20 20 20 20 20 20 20 20 20 20 20 20 20 2f 2a 20               /* 
1cb0: 53 69 7a 65 20 6f 66 20 61 72 72 61 79 20 61 72  Size of array ar
1cc0: 67 76 5b 5d 20 2a 2f 0a 20 20 63 6f 6e 73 74 20  gv[] */.  const 
1cd0: 63 68 61 72 20 2a 20 63 6f 6e 73 74 20 2a 61 7a  char * const *az
1ce0: 41 72 67 2c 20 20 20 20 20 20 2f 2a 20 54 6f 6b  Arg,      /* Tok
1cf0: 65 6e 69 7a 65 72 20 63 72 65 61 74 69 6f 6e 20  enizer creation 
1d00: 61 72 67 75 6d 65 6e 74 73 20 2a 2f 0a 20 20 73  arguments */.  s
1d10: 71 6c 69 74 65 33 5f 74 6f 6b 65 6e 69 7a 65 72  qlite3_tokenizer
1d20: 20 2a 2a 70 70 20 20 20 20 20 20 20 20 20 20 2f   **pp          /
1d30: 2a 20 4f 55 54 3a 20 4e 65 77 20 74 6f 6b 65 6e  * OUT: New token
1d40: 69 7a 65 72 20 68 61 6e 64 6c 65 20 2a 2f 0a 29  izer handle */.)
1d50: 7b 0a 20 20 75 6e 69 63 6f 64 65 5f 74 6f 6b 65  {.  unicode_toke
1d60: 6e 69 7a 65 72 20 2a 70 4e 65 77 3b 20 20 20 20  nizer *pNew;    
1d70: 20 20 20 20 2f 2a 20 4e 65 77 20 74 6f 6b 65 6e      /* New token
1d80: 69 7a 65 72 20 6f 62 6a 65 63 74 20 2a 2f 0a 20  izer object */. 
1d90: 20 69 6e 74 20 69 3b 0a 20 20 69 6e 74 20 72 63   int i;.  int rc
1da0: 20 3d 20 53 51 4c 49 54 45 5f 4f 4b 3b 0a 0a 20   = SQLITE_OK;.. 
1db0: 20 70 4e 65 77 20 3d 20 28 75 6e 69 63 6f 64 65   pNew = (unicode
1dc0: 5f 74 6f 6b 65 6e 69 7a 65 72 20 2a 29 20 73 71  _tokenizer *) sq
1dd0: 6c 69 74 65 33 5f 6d 61 6c 6c 6f 63 28 73 69 7a  lite3_malloc(siz
1de0: 65 6f 66 28 75 6e 69 63 6f 64 65 5f 74 6f 6b 65  eof(unicode_toke
1df0: 6e 69 7a 65 72 29 29 3b 0a 20 20 69 66 28 20 70  nizer));.  if( p
1e00: 4e 65 77 3d 3d 4e 55 4c 4c 20 29 20 72 65 74 75  New==NULL ) retu
1e10: 72 6e 20 53 51 4c 49 54 45 5f 4e 4f 4d 45 4d 3b  rn SQLITE_NOMEM;
1e20: 0a 20 20 6d 65 6d 73 65 74 28 70 4e 65 77 2c 20  .  memset(pNew, 
1e30: 30 2c 20 73 69 7a 65 6f 66 28 75 6e 69 63 6f 64  0, sizeof(unicod
1e40: 65 5f 74 6f 6b 65 6e 69 7a 65 72 29 29 3b 0a 20  e_tokenizer));. 
1e50: 20 70 4e 65 77 2d 3e 62 52 65 6d 6f 76 65 44 69   pNew->bRemoveDi
1e60: 61 63 72 69 74 69 63 20 3d 20 31 3b 0a 0a 20 20  acritic = 1;..  
1e70: 66 6f 72 28 69 3d 30 3b 20 72 63 3d 3d 53 51 4c  for(i=0; rc==SQL
1e80: 49 54 45 5f 4f 4b 20 26 26 20 69 3c 6e 41 72 67  ITE_OK && i<nArg
1e90: 3b 20 69 2b 2b 29 7b 0a 20 20 20 20 63 6f 6e 73  ; i++){.    cons
1ea0: 74 20 63 68 61 72 20 2a 7a 20 3d 20 61 7a 41 72  t char *z = azAr
1eb0: 67 5b 69 5d 3b 0a 20 20 20 20 69 6e 74 20 6e 20  g[i];.    int n 
1ec0: 3d 20 73 74 72 6c 65 6e 28 7a 29 3b 0a 0a 20 20  = strlen(z);..  
1ed0: 20 20 69 66 28 20 6e 3d 3d 31 39 20 26 26 20 6d    if( n==19 && m
1ee0: 65 6d 63 6d 70 28 22 72 65 6d 6f 76 65 5f 64 69  emcmp("remove_di
1ef0: 61 63 72 69 74 69 63 73 3d 31 22 2c 20 7a 2c 20  acritics=1", z, 
1f00: 31 39 29 3d 3d 30 20 29 7b 0a 20 20 20 20 20 20  19)==0 ){.      
1f10: 70 4e 65 77 2d 3e 62 52 65 6d 6f 76 65 44 69 61  pNew->bRemoveDia
1f20: 63 72 69 74 69 63 20 3d 20 31 3b 0a 20 20 20 20  critic = 1;.    
1f30: 7d 0a 20 20 20 20 65 6c 73 65 20 69 66 28 20 6e  }.    else if( n
1f40: 3d 3d 31 39 20 26 26 20 6d 65 6d 63 6d 70 28 22  ==19 && memcmp("
1f50: 72 65 6d 6f 76 65 5f 64 69 61 63 72 69 74 69 63  remove_diacritic
1f60: 73 3d 30 22 2c 20 7a 2c 20 31 39 29 3d 3d 30 20  s=0", z, 19)==0 
1f70: 29 7b 0a 20 20 20 20 20 20 70 4e 65 77 2d 3e 62  ){.      pNew->b
1f80: 52 65 6d 6f 76 65 44 69 61 63 72 69 74 69 63 20  RemoveDiacritic 
1f90: 3d 20 30 3b 0a 20 20 20 20 7d 0a 20 20 20 20 65  = 0;.    }.    e
1fa0: 6c 73 65 20 69 66 28 20 6e 3e 3d 31 31 20 26 26  lse if( n>=11 &&
1fb0: 20 6d 65 6d 63 6d 70 28 22 74 6f 6b 65 6e 63 68   memcmp("tokench
1fc0: 61 72 73 3d 22 2c 20 7a 2c 20 31 31 29 3d 3d 30  ars=", z, 11)==0
1fd0: 20 29 7b 0a 20 20 20 20 20 20 72 63 20 3d 20 75   ){.      rc = u
1fe0: 6e 69 63 6f 64 65 41 64 64 45 78 63 65 70 74 69  nicodeAddExcepti
1ff0: 6f 6e 73 28 70 4e 65 77 2c 20 31 2c 20 26 7a 5b  ons(pNew, 1, &z[
2000: 31 31 5d 2c 20 6e 2d 31 31 29 3b 0a 20 20 20 20  11], n-11);.    
2010: 7d 0a 20 20 20 20 65 6c 73 65 20 69 66 28 20 6e  }.    else if( n
2020: 3e 3d 31 31 20 26 26 20 6d 65 6d 63 6d 70 28 22  >=11 && memcmp("
2030: 73 65 70 61 72 61 74 6f 72 73 3d 22 2c 20 7a 2c  separators=", z,
2040: 20 31 31 29 3d 3d 30 20 29 7b 0a 20 20 20 20 20   11)==0 ){.     
2050: 20 72 63 20 3d 20 75 6e 69 63 6f 64 65 41 64 64   rc = unicodeAdd
2060: 45 78 63 65 70 74 69 6f 6e 73 28 70 4e 65 77 2c  Exceptions(pNew,
2070: 20 30 2c 20 26 7a 5b 31 31 5d 2c 20 6e 2d 31 31   0, &z[11], n-11
2080: 29 3b 0a 20 20 20 20 7d 0a 20 20 20 20 65 6c 73  );.    }.    els
2090: 65 7b 0a 20 20 20 20 20 20 2f 2a 20 55 6e 72 65  e{.      /* Unre
20a0: 63 6f 67 6e 69 7a 65 64 20 61 72 67 75 6d 65 6e  cognized argumen
20b0: 74 20 2a 2f 0a 20 20 20 20 20 20 72 63 20 20 3d  t */.      rc  =
20c0: 20 53 51 4c 49 54 45 5f 45 52 52 4f 52 3b 0a 20   SQLITE_ERROR;. 
20d0: 20 20 20 7d 0a 20 20 7d 0a 0a 20 20 69 66 28 20     }.  }..  if( 
20e0: 72 63 21 3d 53 51 4c 49 54 45 5f 4f 4b 20 29 7b  rc!=SQLITE_OK ){
20f0: 0a 20 20 20 20 75 6e 69 63 6f 64 65 44 65 73 74  .    unicodeDest
2100: 72 6f 79 28 28 73 71 6c 69 74 65 33 5f 74 6f 6b  roy((sqlite3_tok
2110: 65 6e 69 7a 65 72 20 2a 29 70 4e 65 77 29 3b 0a  enizer *)pNew);.
2120: 20 20 20 20 70 4e 65 77 20 3d 20 30 3b 0a 20 20      pNew = 0;.  
2130: 7d 0a 20 20 2a 70 70 20 3d 20 28 73 71 6c 69 74  }.  *pp = (sqlit
2140: 65 33 5f 74 6f 6b 65 6e 69 7a 65 72 20 2a 29 70  e3_tokenizer *)p
2150: 4e 65 77 3b 0a 20 20 72 65 74 75 72 6e 20 72 63  New;.  return rc
2160: 3b 0a 7d 0a 0a 2f 2a 0a 2a 2a 20 50 72 65 70 61  ;.}../*.** Prepa
2170: 72 65 20 74 6f 20 62 65 67 69 6e 20 74 6f 6b 65  re to begin toke
2180: 6e 69 7a 69 6e 67 20 61 20 70 61 72 74 69 63 75  nizing a particu
2190: 6c 61 72 20 73 74 72 69 6e 67 2e 20 20 54 68 65  lar string.  The
21a0: 20 69 6e 70 75 74 0a 2a 2a 20 73 74 72 69 6e 67   input.** string
21b0: 20 74 6f 20 62 65 20 74 6f 6b 65 6e 69 7a 65 64   to be tokenized
21c0: 20 69 73 20 70 49 6e 70 75 74 5b 30 2e 2e 6e 42   is pInput[0..nB
21d0: 79 74 65 73 2d 31 5d 2e 20 20 41 20 63 75 72 73  ytes-1].  A curs
21e0: 6f 72 0a 2a 2a 20 75 73 65 64 20 74 6f 20 69 6e  or.** used to in
21f0: 63 72 65 6d 65 6e 74 61 6c 6c 79 20 74 6f 6b 65  crementally toke
2200: 6e 69 7a 65 20 74 68 69 73 20 73 74 72 69 6e 67  nize this string
2210: 20 69 73 20 72 65 74 75 72 6e 65 64 20 69 6e 20   is returned in 
2220: 0a 2a 2a 20 2a 70 70 43 75 72 73 6f 72 2e 0a 2a  .** *ppCursor..*
2230: 2f 0a 73 74 61 74 69 63 20 69 6e 74 20 75 6e 69  /.static int uni
2240: 63 6f 64 65 4f 70 65 6e 28 0a 20 20 73 71 6c 69  codeOpen(.  sqli
2250: 74 65 33 5f 74 6f 6b 65 6e 69 7a 65 72 20 2a 70  te3_tokenizer *p
2260: 2c 20 20 20 20 20 20 20 20 20 20 20 2f 2a 20 54  ,           /* T
2270: 68 65 20 74 6f 6b 65 6e 69 7a 65 72 20 2a 2f 0a  he tokenizer */.
2280: 20 20 63 6f 6e 73 74 20 63 68 61 72 20 2a 61 49    const char *aI
2290: 6e 70 75 74 2c 20 20 20 20 20 20 20 20 20 20 20  nput,           
22a0: 20 20 2f 2a 20 49 6e 70 75 74 20 73 74 72 69 6e    /* Input strin
22b0: 67 20 2a 2f 0a 20 20 69 6e 74 20 6e 49 6e 70 75  g */.  int nInpu
22c0: 74 2c 20 20 20 20 20 20 20 20 20 20 20 20 20 20  t,              
22d0: 20 20 20 20 20 20 20 2f 2a 20 53 69 7a 65 20 6f         /* Size o
22e0: 66 20 73 74 72 69 6e 67 20 61 49 6e 70 75 74 20  f string aInput 
22f0: 69 6e 20 62 79 74 65 73 20 2a 2f 0a 20 20 73 71  in bytes */.  sq
2300: 6c 69 74 65 33 5f 74 6f 6b 65 6e 69 7a 65 72 5f  lite3_tokenizer_
2310: 63 75 72 73 6f 72 20 2a 2a 70 70 20 20 20 2f 2a  cursor **pp   /*
2320: 20 4f 55 54 3a 20 4e 65 77 20 63 75 72 73 6f 72   OUT: New cursor
2330: 20 6f 62 6a 65 63 74 20 2a 2f 0a 29 7b 0a 20 20   object */.){.  
2340: 75 6e 69 63 6f 64 65 5f 63 75 72 73 6f 72 20 2a  unicode_cursor *
2350: 70 43 73 72 3b 0a 0a 20 20 70 43 73 72 20 3d 20  pCsr;..  pCsr = 
2360: 28 75 6e 69 63 6f 64 65 5f 63 75 72 73 6f 72 20  (unicode_cursor 
2370: 2a 29 73 71 6c 69 74 65 33 5f 6d 61 6c 6c 6f 63  *)sqlite3_malloc
2380: 28 73 69 7a 65 6f 66 28 75 6e 69 63 6f 64 65 5f  (sizeof(unicode_
2390: 63 75 72 73 6f 72 29 29 3b 0a 20 20 69 66 28 20  cursor));.  if( 
23a0: 70 43 73 72 3d 3d 30 20 29 7b 0a 20 20 20 20 72  pCsr==0 ){.    r
23b0: 65 74 75 72 6e 20 53 51 4c 49 54 45 5f 4e 4f 4d  eturn SQLITE_NOM
23c0: 45 4d 3b 0a 20 20 7d 0a 20 20 6d 65 6d 73 65 74  EM;.  }.  memset
23d0: 28 70 43 73 72 2c 20 30 2c 20 73 69 7a 65 6f 66  (pCsr, 0, sizeof
23e0: 28 75 6e 69 63 6f 64 65 5f 63 75 72 73 6f 72 29  (unicode_cursor)
23f0: 29 3b 0a 0a 20 20 70 43 73 72 2d 3e 61 49 6e 70  );..  pCsr->aInp
2400: 75 74 20 3d 20 28 63 6f 6e 73 74 20 75 6e 73 69  ut = (const unsi
2410: 67 6e 65 64 20 63 68 61 72 20 2a 29 61 49 6e 70  gned char *)aInp
2420: 75 74 3b 0a 20 20 69 66 28 20 61 49 6e 70 75 74  ut;.  if( aInput
2430: 3d 3d 30 20 29 7b 0a 20 20 20 20 70 43 73 72 2d  ==0 ){.    pCsr-
2440: 3e 6e 49 6e 70 75 74 20 3d 20 30 3b 0a 20 20 7d  >nInput = 0;.  }
2450: 65 6c 73 65 20 69 66 28 20 6e 49 6e 70 75 74 3c  else if( nInput<
2460: 30 20 29 7b 0a 20 20 20 20 70 43 73 72 2d 3e 6e  0 ){.    pCsr->n
2470: 49 6e 70 75 74 20 3d 20 28 69 6e 74 29 73 74 72  Input = (int)str
2480: 6c 65 6e 28 61 49 6e 70 75 74 29 3b 0a 20 20 7d  len(aInput);.  }
2490: 65 6c 73 65 7b 0a 20 20 20 20 70 43 73 72 2d 3e  else{.    pCsr->
24a0: 6e 49 6e 70 75 74 20 3d 20 6e 49 6e 70 75 74 3b  nInput = nInput;
24b0: 0a 20 20 7d 0a 0a 20 20 2a 70 70 20 3d 20 26 70  .  }..  *pp = &p
24c0: 43 73 72 2d 3e 62 61 73 65 3b 0a 20 20 55 4e 55  Csr->base;.  UNU
24d0: 53 45 44 5f 50 41 52 41 4d 45 54 45 52 28 70 29  SED_PARAMETER(p)
24e0: 3b 0a 20 20 72 65 74 75 72 6e 20 53 51 4c 49 54  ;.  return SQLIT
24f0: 45 5f 4f 4b 3b 0a 7d 0a 0a 2f 2a 0a 2a 2a 20 43  E_OK;.}../*.** C
2500: 6c 6f 73 65 20 61 20 74 6f 6b 65 6e 69 7a 61 74  lose a tokenizat
2510: 69 6f 6e 20 63 75 72 73 6f 72 20 70 72 65 76 69  ion cursor previ
2520: 6f 75 73 6c 79 20 6f 70 65 6e 65 64 20 62 79 20  ously opened by 
2530: 61 20 63 61 6c 6c 20 74 6f 0a 2a 2a 20 73 69 6d  a call to.** sim
2540: 70 6c 65 4f 70 65 6e 28 29 20 61 62 6f 76 65 2e  pleOpen() above.
2550: 0a 2a 2f 0a 73 74 61 74 69 63 20 69 6e 74 20 75  .*/.static int u
2560: 6e 69 63 6f 64 65 43 6c 6f 73 65 28 73 71 6c 69  nicodeClose(sqli
2570: 74 65 33 5f 74 6f 6b 65 6e 69 7a 65 72 5f 63 75  te3_tokenizer_cu
2580: 72 73 6f 72 20 2a 70 43 75 72 73 6f 72 29 7b 0a  rsor *pCursor){.
2590: 20 20 75 6e 69 63 6f 64 65 5f 63 75 72 73 6f 72    unicode_cursor
25a0: 20 2a 70 43 73 72 20 3d 20 28 75 6e 69 63 6f 64   *pCsr = (unicod
25b0: 65 5f 63 75 72 73 6f 72 20 2a 29 20 70 43 75 72  e_cursor *) pCur
25c0: 73 6f 72 3b 0a 20 20 73 71 6c 69 74 65 33 5f 66  sor;.  sqlite3_f
25d0: 72 65 65 28 70 43 73 72 2d 3e 7a 54 6f 6b 65 6e  ree(pCsr->zToken
25e0: 29 3b 0a 20 20 73 71 6c 69 74 65 33 5f 66 72 65  );.  sqlite3_fre
25f0: 65 28 70 43 73 72 29 3b 0a 20 20 72 65 74 75 72  e(pCsr);.  retur
2600: 6e 20 53 51 4c 49 54 45 5f 4f 4b 3b 0a 7d 0a 0a  n SQLITE_OK;.}..
2610: 2f 2a 0a 2a 2a 20 45 78 74 72 61 63 74 20 74 68  /*.** Extract th
2620: 65 20 6e 65 78 74 20 74 6f 6b 65 6e 20 66 72 6f  e next token fro
2630: 6d 20 61 20 74 6f 6b 65 6e 69 7a 61 74 69 6f 6e  m a tokenization
2640: 20 63 75 72 73 6f 72 2e 20 20 54 68 65 20 63 75   cursor.  The cu
2650: 72 73 6f 72 20 6d 75 73 74 0a 2a 2a 20 68 61 76  rsor must.** hav
2660: 65 20 62 65 65 6e 20 6f 70 65 6e 65 64 20 62 79  e been opened by
2670: 20 61 20 70 72 69 6f 72 20 63 61 6c 6c 20 74 6f   a prior call to
2680: 20 73 69 6d 70 6c 65 4f 70 65 6e 28 29 2e 0a 2a   simpleOpen()..*
2690: 2f 0a 73 74 61 74 69 63 20 69 6e 74 20 75 6e 69  /.static int uni
26a0: 63 6f 64 65 4e 65 78 74 28 0a 20 20 73 71 6c 69  codeNext(.  sqli
26b0: 74 65 33 5f 74 6f 6b 65 6e 69 7a 65 72 5f 63 75  te3_tokenizer_cu
26c0: 72 73 6f 72 20 2a 70 43 2c 20 20 20 2f 2a 20 43  rsor *pC,   /* C
26d0: 75 72 73 6f 72 20 72 65 74 75 72 6e 65 64 20 62  ursor returned b
26e0: 79 20 73 69 6d 70 6c 65 4f 70 65 6e 20 2a 2f 0a  y simpleOpen */.
26f0: 20 20 63 6f 6e 73 74 20 63 68 61 72 20 2a 2a 70    const char **p
2700: 61 54 6f 6b 65 6e 2c 20 20 20 20 20 20 20 20 20  aToken,         
2710: 20 20 2f 2a 20 4f 55 54 3a 20 54 6f 6b 65 6e 20    /* OUT: Token 
2720: 74 65 78 74 20 2a 2f 0a 20 20 69 6e 74 20 2a 70  text */.  int *p
2730: 6e 54 6f 6b 65 6e 2c 20 20 20 20 20 20 20 20 20  nToken,         
2740: 20 20 20 20 20 20 20 20 20 20 2f 2a 20 4f 55 54            /* OUT
2750: 3a 20 4e 75 6d 62 65 72 20 6f 66 20 62 79 74 65  : Number of byte
2760: 73 20 61 74 20 2a 70 61 54 6f 6b 65 6e 20 2a 2f  s at *paToken */
2770: 0a 20 20 69 6e 74 20 2a 70 69 53 74 61 72 74 2c  .  int *piStart,
2780: 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20 20                  
2790: 20 20 20 2f 2a 20 4f 55 54 3a 20 53 74 61 72 74     /* OUT: Start
27a0: 69 6e 67 20 6f 66 66 73 65 74 20 6f 66 20 74 6f  ing offset of to
27b0: 6b 65 6e 20 2a 2f 0a 20 20 69 6e 74 20 2a 70 69  ken */.  int *pi
27c0: 45 6e 64 2c 20 20 20 20 20 20 20 20 20 20 20 20  End,            
27d0: 20 20 20 20 20 20 20 20 20 2f 2a 20 4f 55 54 3a           /* OUT:
27e0: 20 45 6e 64 69 6e 67 20 6f 66 66 73 65 74 20 6f   Ending offset o
27f0: 66 20 74 6f 6b 65 6e 20 2a 2f 0a 20 20 69 6e 74  f token */.  int
2800: 20 2a 70 69 50 6f 73 20 20 20 20 20 20 20 20 20   *piPos         
2810: 20 20 20 20 20 20 20 20 20 20 20 20 20 2f 2a 20               /* 
2820: 4f 55 54 3a 20 50 6f 73 69 74 69 6f 6e 20 69 6e  OUT: Position in
2830: 74 65 67 65 72 20 6f 66 20 74 6f 6b 65 6e 20 2a  teger of token *
2840: 2f 0a 29 7b 0a 20 20 75 6e 69 63 6f 64 65 5f 63  /.){.  unicode_c
2850: 75 72 73 6f 72 20 2a 70 43 73 72 20 3d 20 28 75  ursor *pCsr = (u
2860: 6e 69 63 6f 64 65 5f 63 75 72 73 6f 72 20 2a 29  nicode_cursor *)
2870: 70 43 3b 0a 20 20 75 6e 69 63 6f 64 65 5f 74 6f  pC;.  unicode_to
2880: 6b 65 6e 69 7a 65 72 20 2a 70 20 3d 20 28 28 75  kenizer *p = ((u
2890: 6e 69 63 6f 64 65 5f 74 6f 6b 65 6e 69 7a 65 72  nicode_tokenizer
28a0: 20 2a 29 70 43 73 72 2d 3e 62 61 73 65 2e 70 54   *)pCsr->base.pT
28b0: 6f 6b 65 6e 69 7a 65 72 29 3b 0a 20 20 69 6e 74  okenizer);.  int
28c0: 20 69 43 6f 64 65 3b 0a 20 20 63 68 61 72 20 2a   iCode;.  char *
28d0: 7a 4f 75 74 3b 0a 20 20 63 6f 6e 73 74 20 75 6e  zOut;.  const un
28e0: 73 69 67 6e 65 64 20 63 68 61 72 20 2a 7a 20 3d  signed char *z =
28f0: 20 26 70 43 73 72 2d 3e 61 49 6e 70 75 74 5b 70   &pCsr->aInput[p
2900: 43 73 72 2d 3e 69 4f 66 66 5d 3b 0a 20 20 63 6f  Csr->iOff];.  co
2910: 6e 73 74 20 75 6e 73 69 67 6e 65 64 20 63 68 61  nst unsigned cha
2920: 72 20 2a 7a 53 74 61 72 74 20 3d 20 7a 3b 0a 20  r *zStart = z;. 
2930: 20 63 6f 6e 73 74 20 75 6e 73 69 67 6e 65 64 20   const unsigned 
2940: 63 68 61 72 20 2a 7a 45 6e 64 3b 0a 20 20 63 6f  char *zEnd;.  co
2950: 6e 73 74 20 75 6e 73 69 67 6e 65 64 20 63 68 61  nst unsigned cha
2960: 72 20 2a 7a 54 65 72 6d 20 3d 20 26 70 43 73 72  r *zTerm = &pCsr
2970: 2d 3e 61 49 6e 70 75 74 5b 70 43 73 72 2d 3e 6e  ->aInput[pCsr->n
2980: 49 6e 70 75 74 5d 3b 0a 0a 20 20 2f 2a 20 53 63  Input];..  /* Sc
2990: 61 6e 20 70 61 73 74 20 61 6e 79 20 64 65 6c 69  an past any deli
29a0: 6d 69 74 65 72 20 63 68 61 72 61 63 74 65 72 73  miter characters
29b0: 20 62 65 66 6f 72 65 20 74 68 65 20 73 74 61 72   before the star
29c0: 74 20 6f 66 20 74 68 65 20 6e 65 78 74 20 74 6f  t of the next to
29d0: 6b 65 6e 2e 0a 20 20 2a 2a 20 52 65 74 75 72 6e  ken..  ** Return
29e0: 20 53 51 4c 49 54 45 5f 44 4f 4e 45 20 65 61 72   SQLITE_DONE ear
29f0: 6c 79 20 69 66 20 74 68 69 73 20 74 61 6b 65 73  ly if this takes
2a00: 20 75 73 20 61 6c 6c 20 74 68 65 20 77 61 79 20   us all the way 
2a10: 74 6f 20 74 68 65 20 65 6e 64 20 6f 66 20 0a 20  to the end of . 
2a20: 20 2a 2a 20 74 68 65 20 69 6e 70 75 74 2e 20 20   ** the input.  
2a30: 2a 2f 0a 20 20 77 68 69 6c 65 28 20 7a 3c 7a 54  */.  while( z<zT
2a40: 65 72 6d 20 29 7b 0a 20 20 20 20 52 45 41 44 5f  erm ){.    READ_
2a50: 55 54 46 38 28 7a 2c 20 7a 54 65 72 6d 2c 20 69  UTF8(z, zTerm, i
2a60: 43 6f 64 65 29 3b 0a 20 20 20 20 69 66 28 20 75  Code);.    if( u
2a70: 6e 69 63 6f 64 65 49 73 41 6c 6e 75 6d 28 70 2c  nicodeIsAlnum(p,
2a80: 20 69 43 6f 64 65 29 20 29 20 62 72 65 61 6b 3b   iCode) ) break;
2a90: 0a 20 20 20 20 7a 53 74 61 72 74 20 3d 20 7a 3b  .    zStart = z;
2aa0: 0a 20 20 7d 0a 20 20 69 66 28 20 7a 53 74 61 72  .  }.  if( zStar
2ab0: 74 3e 3d 7a 54 65 72 6d 20 29 20 72 65 74 75 72  t>=zTerm ) retur
2ac0: 6e 20 53 51 4c 49 54 45 5f 44 4f 4e 45 3b 0a 0a  n SQLITE_DONE;..
2ad0: 20 20 7a 4f 75 74 20 3d 20 70 43 73 72 2d 3e 7a    zOut = pCsr->z
2ae0: 54 6f 6b 65 6e 3b 0a 20 20 64 6f 20 7b 0a 20 20  Token;.  do {.  
2af0: 20 20 69 6e 74 20 69 4f 75 74 3b 0a 0a 20 20 20    int iOut;..   
2b00: 20 2f 2a 20 47 72 6f 77 20 74 68 65 20 6f 75 74   /* Grow the out
2b10: 70 75 74 20 62 75 66 66 65 72 20 69 66 20 72 65  put buffer if re
2b20: 71 75 69 72 65 64 2e 20 2a 2f 0a 20 20 20 20 69  quired. */.    i
2b30: 66 28 20 28 7a 4f 75 74 2d 70 43 73 72 2d 3e 7a  f( (zOut-pCsr->z
2b40: 54 6f 6b 65 6e 29 3e 3d 28 70 43 73 72 2d 3e 6e  Token)>=(pCsr->n
2b50: 41 6c 6c 6f 63 2d 34 29 20 29 7b 0a 20 20 20 20  Alloc-4) ){.    
2b60: 20 20 63 68 61 72 20 2a 7a 4e 65 77 20 3d 20 73    char *zNew = s
2b70: 71 6c 69 74 65 33 5f 72 65 61 6c 6c 6f 63 28 70  qlite3_realloc(p
2b80: 43 73 72 2d 3e 7a 54 6f 6b 65 6e 2c 20 70 43 73  Csr->zToken, pCs
2b90: 72 2d 3e 6e 41 6c 6c 6f 63 2b 36 34 29 3b 0a 20  r->nAlloc+64);. 
2ba0: 20 20 20 20 20 69 66 28 20 21 7a 4e 65 77 20 29       if( !zNew )
2bb0: 20 72 65 74 75 72 6e 20 53 51 4c 49 54 45 5f 4e   return SQLITE_N
2bc0: 4f 4d 45 4d 3b 0a 20 20 20 20 20 20 7a 4f 75 74  OMEM;.      zOut
2bd0: 20 3d 20 26 7a 4e 65 77 5b 7a 4f 75 74 20 2d 20   = &zNew[zOut - 
2be0: 70 43 73 72 2d 3e 7a 54 6f 6b 65 6e 5d 3b 0a 20  pCsr->zToken];. 
2bf0: 20 20 20 20 20 70 43 73 72 2d 3e 7a 54 6f 6b 65       pCsr->zToke
2c00: 6e 20 3d 20 7a 4e 65 77 3b 0a 20 20 20 20 20 20  n = zNew;.      
2c10: 70 43 73 72 2d 3e 6e 41 6c 6c 6f 63 20 2b 3d 20  pCsr->nAlloc += 
2c20: 36 34 3b 0a 20 20 20 20 7d 0a 0a 20 20 20 20 2f  64;.    }..    /
2c30: 2a 20 57 72 69 74 65 20 74 68 65 20 66 6f 6c 64  * Write the fold
2c40: 65 64 20 63 61 73 65 20 6f 66 20 74 68 65 20 6c  ed case of the l
2c50: 61 73 74 20 63 68 61 72 61 63 74 65 72 20 72 65  ast character re
2c60: 61 64 20 74 6f 20 74 68 65 20 6f 75 74 70 75 74  ad to the output
2c70: 20 2a 2f 0a 20 20 20 20 7a 45 6e 64 20 3d 20 7a   */.    zEnd = z
2c80: 3b 0a 20 20 20 20 69 4f 75 74 20 3d 20 73 71 6c  ;.    iOut = sql
2c90: 69 74 65 33 46 74 73 55 6e 69 63 6f 64 65 46 6f  ite3FtsUnicodeFo
2ca0: 6c 64 28 69 43 6f 64 65 2c 20 70 2d 3e 62 52 65  ld(iCode, p->bRe
2cb0: 6d 6f 76 65 44 69 61 63 72 69 74 69 63 29 3b 0a  moveDiacritic);.
2cc0: 20 20 20 20 69 66 28 20 69 4f 75 74 20 29 7b 0a      if( iOut ){.
2cd0: 20 20 20 20 20 20 57 52 49 54 45 5f 55 54 46 38        WRITE_UTF8
2ce0: 28 7a 4f 75 74 2c 20 69 4f 75 74 29 3b 0a 20 20  (zOut, iOut);.  
2cf0: 20 20 7d 0a 0a 20 20 20 20 2f 2a 20 49 66 20 74    }..    /* If t
2d00: 68 65 20 63 75 72 73 6f 72 20 69 73 20 6e 6f 74  he cursor is not
2d10: 20 61 74 20 45 4f 46 2c 20 72 65 61 64 20 74 68   at EOF, read th
2d20: 65 20 6e 65 78 74 20 63 68 61 72 61 63 74 65 72  e next character
2d30: 20 2a 2f 0a 20 20 20 20 69 66 28 20 7a 3e 3d 7a   */.    if( z>=z
2d40: 54 65 72 6d 20 29 20 62 72 65 61 6b 3b 0a 20 20  Term ) break;.  
2d50: 20 20 52 45 41 44 5f 55 54 46 38 28 7a 2c 20 7a    READ_UTF8(z, z
2d60: 54 65 72 6d 2c 20 69 43 6f 64 65 29 3b 0a 20 20  Term, iCode);.  
2d70: 7d 77 68 69 6c 65 28 20 75 6e 69 63 6f 64 65 49  }while( unicodeI
2d80: 73 41 6c 6e 75 6d 28 70 2c 20 69 43 6f 64 65 29  sAlnum(p, iCode)
2d90: 20 0a 20 20 20 20 20 20 20 7c 7c 20 73 71 6c 69   .       || sqli
2da0: 74 65 33 46 74 73 55 6e 69 63 6f 64 65 49 73 64  te3FtsUnicodeIsd
2db0: 69 61 63 72 69 74 69 63 28 69 43 6f 64 65 29 0a  iacritic(iCode).
2dc0: 20 20 29 3b 0a 0a 20 20 2f 2a 20 53 65 74 20 74    );..  /* Set t
2dd0: 68 65 20 6f 75 74 70 75 74 20 76 61 72 69 61 62  he output variab
2de0: 6c 65 73 20 61 6e 64 20 72 65 74 75 72 6e 2e 20  les and return. 
2df0: 2a 2f 0a 20 20 70 43 73 72 2d 3e 69 4f 66 66 20  */.  pCsr->iOff 
2e00: 3d 20 28 7a 20 2d 20 70 43 73 72 2d 3e 61 49 6e  = (z - pCsr->aIn
2e10: 70 75 74 29 3b 0a 20 20 2a 70 61 54 6f 6b 65 6e  put);.  *paToken
2e20: 20 3d 20 70 43 73 72 2d 3e 7a 54 6f 6b 65 6e 3b   = pCsr->zToken;
2e30: 0a 20 20 2a 70 6e 54 6f 6b 65 6e 20 3d 20 7a 4f  .  *pnToken = zO
2e40: 75 74 20 2d 20 70 43 73 72 2d 3e 7a 54 6f 6b 65  ut - pCsr->zToke
2e50: 6e 3b 0a 20 20 2a 70 69 53 74 61 72 74 20 3d 20  n;.  *piStart = 
2e60: 28 7a 53 74 61 72 74 20 2d 20 70 43 73 72 2d 3e  (zStart - pCsr->
2e70: 61 49 6e 70 75 74 29 3b 0a 20 20 2a 70 69 45 6e  aInput);.  *piEn
2e80: 64 20 3d 20 28 7a 45 6e 64 20 2d 20 70 43 73 72  d = (zEnd - pCsr
2e90: 2d 3e 61 49 6e 70 75 74 29 3b 0a 20 20 2a 70 69  ->aInput);.  *pi
2ea0: 50 6f 73 20 3d 20 70 43 73 72 2d 3e 69 54 6f 6b  Pos = pCsr->iTok
2eb0: 65 6e 2b 2b 3b 0a 20 20 72 65 74 75 72 6e 20 53  en++;.  return S
2ec0: 51 4c 49 54 45 5f 4f 4b 3b 0a 7d 0a 0a 2f 2a 0a  QLITE_OK;.}../*.
2ed0: 2a 2a 20 53 65 74 20 2a 70 70 4d 6f 64 75 6c 65  ** Set *ppModule
2ee0: 20 74 6f 20 61 20 70 6f 69 6e 74 65 72 20 74 6f   to a pointer to
2ef0: 20 74 68 65 20 73 71 6c 69 74 65 33 5f 74 6f 6b   the sqlite3_tok
2f00: 65 6e 69 7a 65 72 5f 6d 6f 64 75 6c 65 20 0a 2a  enizer_module .*
2f10: 2a 20 73 74 72 75 63 74 75 72 65 20 66 6f 72 20  * structure for 
2f20: 74 68 65 20 75 6e 69 63 6f 64 65 20 74 6f 6b 65  the unicode toke
2f30: 6e 69 7a 65 72 2e 0a 2a 2f 0a 76 6f 69 64 20 73  nizer..*/.void s
2f40: 71 6c 69 74 65 33 46 74 73 33 55 6e 69 63 6f 64  qlite3Fts3Unicod
2f50: 65 54 6f 6b 65 6e 69 7a 65 72 28 73 71 6c 69 74  eTokenizer(sqlit
2f60: 65 33 5f 74 6f 6b 65 6e 69 7a 65 72 5f 6d 6f 64  e3_tokenizer_mod
2f70: 75 6c 65 20 63 6f 6e 73 74 20 2a 2a 70 70 4d 6f  ule const **ppMo
2f80: 64 75 6c 65 29 7b 0a 20 20 73 74 61 74 69 63 20  dule){.  static 
2f90: 63 6f 6e 73 74 20 73 71 6c 69 74 65 33 5f 74 6f  const sqlite3_to
2fa0: 6b 65 6e 69 7a 65 72 5f 6d 6f 64 75 6c 65 20 6d  kenizer_module m
2fb0: 6f 64 75 6c 65 20 3d 20 7b 0a 20 20 20 20 30 2c  odule = {.    0,
2fc0: 0a 20 20 20 20 75 6e 69 63 6f 64 65 43 72 65 61  .    unicodeCrea
2fd0: 74 65 2c 0a 20 20 20 20 75 6e 69 63 6f 64 65 44  te,.    unicodeD
2fe0: 65 73 74 72 6f 79 2c 0a 20 20 20 20 75 6e 69 63  estroy,.    unic
2ff0: 6f 64 65 4f 70 65 6e 2c 0a 20 20 20 20 75 6e 69  odeOpen,.    uni
3000: 63 6f 64 65 43 6c 6f 73 65 2c 0a 20 20 20 20 75  codeClose,.    u
3010: 6e 69 63 6f 64 65 4e 65 78 74 2c 0a 20 20 20 20  nicodeNext,.    
3020: 30 2c 0a 20 20 7d 3b 0a 20 20 2a 70 70 4d 6f 64  0,.  };.  *ppMod
3030: 75 6c 65 20 3d 20 26 6d 6f 64 75 6c 65 3b 0a 7d  ule = &module;.}
3040: 0a 0a 23 65 6e 64 69 66 20 2f 2a 20 21 64 65 66  ..#endif /* !def
3050: 69 6e 65 64 28 53 51 4c 49 54 45 5f 43 4f 52 45  ined(SQLITE_CORE
3060: 29 20 7c 7c 20 64 65 66 69 6e 65 64 28 53 51 4c  ) || defined(SQL
3070: 49 54 45 5f 45 4e 41 42 4c 45 5f 46 54 53 33 29  ITE_ENABLE_FTS3)
3080: 20 2a 2f 0a 23 65 6e 64 69 66 20 2f 2a 20 69 66   */.#endif /* if
3090: 6e 64 65 66 20 53 51 4c 49 54 45 5f 45 4e 41 42  ndef SQLITE_ENAB
30a0: 4c 45 5f 46 54 53 34 5f 55 4e 49 43 4f 44 45 36  LE_FTS4_UNICODE6
30b0: 31 20 2a 2f 0a                                   1 */.